聚類分析的定義

聚類分析是一個過程分析和呈現數據,包括分組相似物體和分裂不同的那些。這是常用的數據分析。我們經驗聚類分析在日常生活中在許多情況下。舉個例子,如果你吃一頓飯,然後你可能會組合在一起圍坐在一張桌子。這是一個各種各樣的“集群”。

同樣,我們傾向於集群自然與人,類似於我們。有趣的是,我們還成為更類似於我們花大部分的時間和更少的人類似於外群體。這就是所謂的收斂和散度。

我們經常使用聚類分析的分類。分類疾病為例,我們常常會聚集在一起不同的條件,也有類似的症狀,高危組相似,相似的起源點等等。這可以幫助創建有用的分類法這可能是有用的在幫助發現潛在的治療方法。在數據分析,可以使用聚類分析,以尋找模式和趨勢。例如,如果您一起的遊客一個網站都有某些共通的特質,你看到什麼趨勢?如果你組他們以不同的方式?

你能通過分組學習他們在這些不同的方法嗎?

最後,聚類分析也很常用來顯示數據以一種有意義的方式或以一種娛樂的方式。例如,我們經常看到標簽雲在使用web頁麵上,組關鍵字和術語通常使用整個網站,甚至在一個單獨的文章。

OpenPr-Tip:可以使用這個為了推薦額外的未來在網站上閱讀材料,增加訂婚和減少反彈率。這是相同的一個例子算法(在這種情況下,定性分析算法)可用於有用的力量機器學習 應用程序。

大數據顯示

大數據是一個新的流行詞你現在聽到很多時閱讀業務和網絡,但正是這意味著什麼?簡而言之,大數據意味著數據太大而複雜,使用傳統方法很難處理。

這些數據是怎麼來的?如果你有一個在線元素對您的業務,或使用任何軟件,然後你會發現你處理大量的數據。這些係統能夠自動收集大量的數據,這意味著你有很多強大的信息,您可能會使用並取得了極佳的效果。問題是,這種數據然後需要分析的使用。

維基百科的大數據

讓我們用維基百科作為一個例子。在寫作的時候維基百科已經超過30000000頁,有超過十億的編輯。換句話說,這不僅僅是大量的信息,但也有大量的數據。

可以想象維基百科可以受益於一些這方麵的數據。他們可能想知道當一個頁麵是最容易被編輯,多少次普通用戶可能會使一個編輯,和他們有多少文章,符合一定的標準。當然鍛煉甚至平均時間編輯當你有超過10億編輯考慮是需要一些處理能力以及一些時間。這大量的編輯然後讓數據幾乎不可能大,幾乎很少有用的結果。更重要的是,可以說是維基百科可以使用大量的數據來改善其商業和它所提供的服務觀眾。

例如,通過查看哪些頁麵往往是閱讀下一個前一頁後,維基百科可以更好的推薦內容讓你在頁麵上。這就是算法可以應用於以計算這類事情。例如,聚類分析可能是有用的為了一起類似的web頁麵,在這裏您甚至可能使用訪問者指標作為計算的一個因素。

同樣,您可以使用類似的過程為了找到哪個頁麵最接觸和最有可能鼓勵讀者捐款(維基百科的主要的收入來源)。通過這些頁麵一起維基百科可以:

哪個頁麵推廣最難的
看看這些頁麵是導致大多數銷售等。

你可以從這個角度使用維恩圖解為了可視化多個集群,看到哪裏有重疊。如果頁麵都聚集到“為這個用戶可能有用”和“高機會捐贈的組織,然後可以使用該信息來選擇最好的頁麵顯示。注意,維恩圖實際上不需要可視化,但是可以使用簡單的算法。

這適用於你怎麼做的

當然,你不是維基百科,很可能你的業務不會產生這麼多的數據。然而,如果你的網站有超過1000觀眾甚至一天,已經大量的信息。如果你有一個登錄,甚至如果你不在線就出售很多產品的連鎖零售商店,你仍然要處理這些數據。

處理的數據

那麼如何處理這些數據?有幾個選項,其中一個就是你的大數據處理外包給專業公司。他們會有時間和必要的工具來處理這些信息,他們會把自己的時間奉獻給給你所有可能形式的可視化或有用的暗示信息。這是一個很好的行動,可以識別的信息,您可能會發現模式和你也許沒有以前尋找信息。

另一個重要的考慮是如何收集數據,是你用它來做什麼。一些數據不會很有用,例如,如果你是收集信息,隻會妨礙你應該建立一個係統,無用的信息將被忽略。同樣的,如果你可以計算一些東西就會阻止你去做大量巨大的數據量。這意味著創建正確的軟件和重構,這個軟件是快速、高效——這意味著再次使用專業服務。

大數據的未來是光明的,迷人的。目前,公司無法充分利用所有的數據收集。想象所有可能不同的集群中能夠創造巨大的維基百科上的信息。所有的文章在100字。所有的文章在150字!

機器學習是用這種數據分析從改善計算機導航能力的物理空間(通過嗎計算機視覺)來提高語音識別。當我們結婚這些算法與量子或分布式的力量雲計算…世界會改變得麵目全非。

顯示定性數據

正如我們所看到的,有很多目前討論如何最好地顯示數據。多虧了大量的企業和個人的信息現在可以通過互聯網收集,尋找優雅的方式來傳達趨勢和重點在數據是一個重要的挑戰。在許多情況下,這是一個龐大的計算能力除了別的挑戰!

OpenPr-Tip:與此同時,信息圖和有吸引力的圖表已被證明是一種有效的方法對博客和網站管理員抓住用戶的注意力,提高他們的內容。

但是所有的這個演講往往將注意力集中於一個特定類型的數據:定量數據。也就是說,它處理數據的使用和如何顯示值,分數和測量。一組數據可以很容易地顯示為圖表或圖形,它可以傳達通過大小或顏色和個位數百分比等容易產生很大影響時用大字體和明亮的色彩。

處理文字

但也有另一種類型的數據:定性數據。數據采用某種形式的單詞,短語和句子,這是經典更難處理。如果你進行實例麵試,你問人們他們認為當前的政府,您最終將獲得一係列詳細的答案中含有大量的意見,事實、想法等等。這些信息可能是比簡單的數字更詳細的和有用的(你會問人們“率”現任政府相反),但傳達圖表將會更加困難。

定性分析

一個解決方案是使用稱為“定性分析”。這是研究人員使用的方法來評估定性數據,它可以被用來使定性數據更容易管理。

本質上這需要通過你積累的文本,並確定關鍵詞和短語出現的一次又一次(包括同義詞以同樣的方式)。對於我們的政府麵試你可能會注意到單詞出現像“可靠”,“有效的”和“令人滿意的”,以及“不信任”這樣的詞,“無效”和“愚蠢”或“稅”和“生態友好”。你會數每次其中一個單詞或一個同義詞出現了,這樣你可以可靠地看到你的被采訪人的整體感覺以及話題是非常重要的。

然後您可以使用一個詞雲,大小和顏色的詞用來表示是最突出的,將是一個偉大的方式迅速把一些定性數據(或顏色可以代表這個詞的情感意圖)。一個大紅色的“不信任”旁邊一個綠色的小“有效”可以油漆一樣有效的一幅餅狀圖,如果不是更多。

這是你經常會遇到什麼博客和被稱為標簽雲。但這隻是一個選擇有趣的輸送意義通過使用定性數據和聚類分析。